Spécification de contraintes pour fmin_cobyla dans scipy
-
20-09-2019 - |
Question
J'utilise Python 2.5.
Je passe des limites à l'optimisation de cobyla:
import numpy
from numpy import asarray
Initial = numpy.asarray [2, 4, 5, 3] # Initial values to start with
#bounding limits (lower,upper) - for visualizing
#bounds = [(1, 5000), (1, 6000), (2, 100000), (1, 50000)]
# actual passed bounds
b1 = lambda x: 5000 - x[0] # lambda x: bounds[0][1] - Initial[0]
b2 = lambda x: x[0] - 2.0 # lambda x: Initial[0] - bounds[0][0]
b3 = lambda x: 6000 - x[1] # same as above
b4 = lambda x: x[1] - 4.0
b5 = lambda x: 100000 - x[2]
b6 = lambda x: x[2] - 5.0
b7 = lambda x: 50000 - x[3]
b8 = lambda x: x[3] - 3.0
b9 = lambda x: x[2] > x[3] # very important condition for my problem!
opt= optimize.fmin_cobyla(func,Initial,cons=[b1,b2,b3,b4,b5,b6,b7,b8,b9,b10],maxfun=1500000)
basée sur les valeurs initiale et Initial
selon les / aux bornes b1
à b10
les valeurs sont transmises à opt()
. Mais les valeurs dévient, en particulier avec b9
. Ceci est une condition de délimitation très important pour mon problème!
« La valeur de x[2]
passé à ma fonction opt()
à chaque itération doit être toujours supérieure à x[3]
» - Comment est-il possible d'y parvenir
Y at-il quelque chose de mal dans mes limites (b1
à b9
) définition?
Ou est-il une meilleure façon de définir mes limites?
S'il vous plaît aidez-moi.
La solution
fmin_cobyla()
ne constitue pas une méthode de point intérieur. Autrement dit, il passera des points qui sont en dehors des limites ( « points infaisables ») à la fonction au cours de la course de optmization.
Une chose que vous aurez besoin de fixer est que b9
et b10
ne sont pas sous la forme que fmin_cobyla()
attend. Les fonctions liées doivent retourner un nombre positif si elles sont à la limite, 0.0 si elles sont exactement sur la limite, et un nombre négatif si elles sont en dehors des limites. Idéalement, ces fonctions doivent être lisses. fmin_cobyla()
va essayer de prendre des dérivés numériques de ces fonctions afin de le faire savoir comment revenir à la région réalisable.
b9 = lambda x: x[2] - x[3]
Je ne suis pas sûr de savoir comment mettre en œuvre b10
d'une manière qui fmin_cobyla()
sera en mesure d'utiliser, cependant.
Autres conseils
pour B10, une option possible pourrait être:
b10 = lambda x: min(abs(i-j)-d for i,j in itertools.combinations(x,2))
où d est un delta supérieur à la différence minimale que vous voulez entre vos variables (par exemple 0,001)